Качество видео | это… Что такое Качество видео?

Качество видео (анг. Video quality) — это характеристика обработанного видео, как правило, по сравнению с оригиналом. С момента записи первой видео последовательности, было разработано большое число систем обработки видео. Различные системы могут оказывать различное влияние на видео последовательность, таким образом измерение качества видео — это очень важная задача.

Содержание 1 От аналогового до цифрового видео 2 Объективное качество видео 3 Субъективное качество видео 4 См. также 5 Литература 6 Ссылки

От аналогового до цифрового видео

Во времена аналоговых видеосистем было возможно измерять качество систем обработки видео путем измерения частотного отклика системы на тестовый сигнал.

Сейчас, цифровое видео вытеснило аналоговое, возникла необходимость в изменении методов оценки качества. Производительность систем обработки цифрового видео может очень сильно меняться и зависит от динамических характеристик входного видео сигнала (таких, как движение). Поэтому качество цифрового видео должно измеряться на видео последовательностях, которые могут получать пользователи.

Объективное качество видео

Объективные техники измерений — это математические модели, которые удачно моделируют результаты субъективной оценки качества, они основаны на критериях и метриках, что могут быть измерены объективно. Объективные методы классифицируются в соответствии с полезностью исходного видео сигнала, для которого обеспечивается высокое качество. Поэтому они классифицируются по трем категориям: полные референсные методы, сокращенные референсные методы и нереференсные методы.

Наиболее традиционным методом измерения качества системы обработки цифрового видео (таких как видеокодеки DivX, XviD)) является измерение Отношения сигнала к шуму и пикового отношения сигнала к шуму между исходным сигналом и сигналом на выходе системы. PSNR — это одна из метрик объективного качества видео. Она может быть автоматически вычислена компьютерной программой. Но хороший PSNR не всегда гарантирует хорошее качество, из-за того что зрительная система человека обладает нелинейным поведением. Не так давно было разработано несколько более сложных и точных метрик, например VQM и SSIM.

Все рассмотренные ранее объективные методы требуют повторения тестов, проводящихся с результатом кодирования, для определения параметров кодирования, которые удовлетворяют определенному уровню ожиданий пользователя, что делает их скорость очень маленькой, такие методы являются очень сложными и непрактичными для реализации в коммерческих приложениях.

Поэтому, большинство исследований направлено на исследование новых методов объективной оценки качества, которые позволят предсказывать воспринимаемый уровень качества закодированного видео перед кодированием.

Субъективное качество видео

Главной целью множества объективных метрик оценки качества является автоматическая оценка предполагаемого восприятия пользователями обработанного системой видео. Но лучшим способом определения мнения пользователей это просто спросить их! Однако иногда, субъективное измерение качества видео является трудной задачей, так как требует опытных экспертов для его оценки. Большинство «измерений субъективного качества видео» описаны в рекомендациях ITU-T BT.500. В их основе лежит Mean Opinion Score используемая для аудио: видео последовательности показываются группе зрителей и потом их мнение усредняется для того, чтобы получить итоговую оценку качества каждой видеопоследовательности.

См. также

• Качество
• Субъективное качество видео
• Видеокодек
• MOS
• PSNR

Литература

• Качество цифрового видео, Stefan Winkler, Wiley, March 2005, ISBN 0-470-02404-6

Ссылки

• Группа экспертов по качеству видео
• Программы для объективного измерения качества видео- и фотоизображений (PSNR, MSE, SSIM, VQM, Blocking, Blurring and etc.)
• ITU-T страницы с рекомендациями по субъективной оценки качества видео
• Универсальный индекс качества изображений — альтернативный способ измерения качества изображений
• Психофизическая модель восприятия человека и метрика относительного искажения информации

Video quality — Wikipedia

Video quality is a characteristic of a video passed through a video transmission or processing system that describes perceived video degradation (typically, compared to the original video). Video processing systems may introduce some amount of distortion or artifacts in the video signal that negatively impacts the user’s perception of a system. For many stakeholders in video production and distribution, assurance of video quality is an important task.

Video quality evaluation is performed to describe the quality of a set of video sequences under study. Video quality can be evaluated objectively (by mathematical models) or subjectively (by asking users for their rating). Also, the quality of a system can be determined offline (i.e., in a laboratory setting for developing new codecs or services), or in-service (to monitor and ensure a certain level of quality).

From analog to digital video[edit]

Since the world’s first video sequence was recorded and transmitted, many video processing systems have been designed. Such systems encode video streams and transmit them over various kinds of networks or channels. In the ages of analog video systems, it was possible to evaluate the quality aspects of a video processing system by calculating the system’s frequency response using test signals (for example, a collection of color bars and circles).

Digital video systems have almost fully replaced analog ones, and quality evaluation methods have changed. The performance of a digital video processing and transmission system can vary significantly and depends on many factors including the characteristics of the input video signal (e.g. amount of motion or spatial details), the settings used for encoding and transmission, and the channel fidelity or network performance.

Objective video quality[edit]

Objective video quality models are mathematical models that approximate results from subjective quality assessment, in which human observers are asked to rate the quality of a video.^[1] In this context, the term model may refer to a simple statistical model in which several independent variables (e.g. the packet loss rate on a network and the video coding parameters) are fit against results obtained in a subjective quality evaluation test using regression techniques. A model may also be a more complicated algorithm implemented in software or hardware.

Terminology[edit]

The terms model and metric are often used interchangeably in the field to mean a descriptive statistic which provides an indicator of quality. The term “objective” relates to the fact that, in general, quality models are based on criteria that can be measured objectively – that is, free from human interpretation. They can be automatically evaluated by a computer program. Unlike a panel of human observers, an objective model should always deterministically output the same quality score for a given set of input parameters.

Objective quality models are sometimes also referred to as instrumental (quality) models,^[2][3] in order to emphasize their application as measurement instruments. Some authors suggest that the term “objective” is misleading, as it “implies that instrumental measurements bear objectivity, which they only do in case that they can be generalized.”

[4]

Classification of objective video quality models[edit]

Classification of objective video quality models into Full-Reference, Reduced-Reference and No-Reference.

No-reference image and video quality assessment methods.

Objective models can be classified by the amount of information available about the original signal, the received signal, or whether there is a signal present at all:^[5]

• Full Reference Methods (FR): FR models compute the quality difference by comparing the original video signal against the received video signal. Typically, every pixel from the source is compared against the corresponding pixel at the received video, with no knowledge about the encoding or transmission process in between. More elaborate algorithms may choose to combine the pixel-based estimation with other approaches such as described below. FR models are usually the most accurate at the expense of higher computational effort. As they require availability of the original video before transmission or coding, they cannot be used in all situations (e.g., where the quality is measured from a client device).
• Reduced Reference Methods (RR): RR models extract some features of both videos and compare them to give a quality score. They are used when all the original video is not available, or when it would be practically impossible to do so, e.g. in a transmission with a limited bandwidth. This makes them more efficient than FR models at the expense of lower accuracy.
• No-Reference Methods (NR): NR models try to assess the quality of a distorted video without any reference to the original signal. Due to the absence of an original signal, they may be less accurate than FR or RR approaches, but are more efficient to compute.
  • Pixel-Based Methods (NR-P): Pixel-based models use a decoded representation of the signal and analyze the quality based on the pixel information. Some of these evaluate specific degradation types only, such as blurring or other coding artifacts.
  • Parametric/Bitstream Methods (NR-B): These models make use of features extracted from the transmission container and/or video bitstream, e. g. MPEG-TS packet headers, motion vectors and quantization parameters. They do not have access to the original signal and require no decoding of the video, which makes them more efficient. In contrast to NR-P models, they have no access to the final decoded signal. However, the picture quality predictions they deliver are not very accurate.
  • Hybrid Methods (Hybrid NR-P-B): Hybrid models combine parameters extracted from the bitstream with a decoded video signal.^[6] They are therefore a mix between NR-P and NR-B models.

Use of picture quality models for video quality estimation[edit]

Some models that are used for video quality assessment (such as PSNR or SSIM) are simply image quality models, whose output is calculated for every frame of a video sequence. This quality measure of every frame can then be recorded and pooled over time to assess the quality of an entire video sequence. While this method is easy to implement, it does not factor in certain kinds of degradations that develop over time, such as the moving artifacts caused by packet loss and its concealment. A video quality model that considers the temporal aspects of quality degradations, like VQM or the MOVIE Index, may be able to produce more accurate predictions of human-perceived quality.

Examples[edit]

Metric		Usage	Description
Full-Reference	PSNR (Peak Signal-to-Noise Ratio)	Image	It is calculated between every frame of the original and the degraded video signal. PSNR is the most widely used objective image quality metric. However, PSNR values do not correlate well with perceived picture quality due to the complex, highly non-linear behaviour of the human visual system.
	SSIM[7] (Structural SIMilarity)	Image	SSIM is a perception-based model that considers image degradation as perceived change in structural information, while also incorporating important perceptual phenomena, including both luminance masking and contrast masking terms.
	MOVIE Index[8] MOtion-based Video Integrity Evaluation	Video	The MOVIE index is a neuroscience-based model for predicting the perceptual quality of a (possibly compressed or otherwise distorted) motion picture or video against a pristine reference video.
	VMAF[9] Video Multimethod Assessment Fusion	Video	VMAF uses four features to predict video quality VIF, DLM, MCPD, AN-SNR. The above features are fused using a SVM-based regression to provide a single output score. These scores are then temporally pooled over the entire video sequence using the arithmetic mean to provide an overall differential mean opinion score (DMOS).
Reduced-Reference	SRR[10] (SSIM Reduced-Reference)	Video	SRR value is calculated as the ratio of received (target) video signal SSIM with reference video pattern SSIM values.
	ST-RRED[11]	Video	Compute wavelet coefficients of frame differences between the adjacent frames in a video sequence(modelled by a GSM). It is used to evaluate RR entropic differences leading to temporal RRED.It in conjunction with spatial RRED indices evaluated by applying the RRED index on every frame of the video, yield the spatio-temporal RRED
No-Reference	NIQE[12] Naturalness Image Quality Evaluator	Image	This IQA model is founded on perceptually relevant spatial domain n natural scene statistic (NSS) features extracted from local image patches that effectively capture the essential low-order statistics of natural images.
	BRISQUE[13] Blind/Referenceless Image Spatial Quality Evaluator	Image	Method extracts the point wise statistics of local normalized luminance signals and measures image naturalness (or lack thereof) based on measured deviations from a natural image model. It also models the distribution of pairwise statistics of adjacent normalized luminance signals which provides distortion orientation information.
	Video-BLIINDS[14]	Video	Computes statistical models on DCT coefficients of frame differences and calculates motion characterization. Pedicts score based on those features using SVM.

In Addition[edit]

An overview of recent no-reference image quality models has been given in a journal paper by Shahid et al.^[5] As mentioned above, these can be used for video applications as well. The Video Quality Experts Group has a dedicated working group on developing no-reference metrics (called NORM).

Bitstream-based metrics[edit]

Full or reduced-reference metrics still require access to the original video bitstream before transmission or at least part of it. In practice, an original stream may not always be available for comparison, for example when measuring the quality from the user side. In other situations, a network operator may want to measure the quality of video streams passing through their network, without fully decoding them. For a more efficient estimation of video quality in such cases, parametric/bitstream-based metrics have also been standardized:

• ITU-T Rec. P.1201, 2012
• ITU-T Rec. P.1202, 2012
• ITU-T Rec. P.1203.1, 2016
• ITU-T Rec. P.1204.3, 2020

Benchmarks[edit]

Benchmark	Number of videos	Number of metrics	Type of metrics
LIVE-VQC	585	11	No-reference
KoNViD-1k	1,200	11	No-reference
YouTube-UGC	1,500	9	No-reference
MSU No-Reference VQA	2,500	15	No-reference
MSU Full-Reference VQA	2,500	44	Full-reference
LIVE-FB Large-Scale Social Video Quality	39,000	6	No-reference
LIVE-ETRI	437	5	No-reference
LIVE Livestream	315	3	No-reference

Training and performance evaluation[edit]

Since objective video quality models are expected to predict results given by human observers, they are developed with the aid of subjective test results. During the development of an objective model, its parameters should be trained so as to achieve the best correlation between the objectively predicted values and the subjective scores, often available as mean opinion scores (MOS).

The most widely used subjective test materials are in the public domain and include still pictures, motion pictures, streaming video, high definition, 3-D (stereoscopic), and special-purposes picture quality-related datasets.^[15] These so-called databases are created by various research laboratories around the world. Some of them have become de facto standards, including several public-domain subjective picture quality databases created and maintained by the Laboratory for Image and Video Engineering (LIVE) as well the Tampere Image Database 2008. A collection of databases can be found in the QUALINET Databases repository. The Consumer Digital Video Library (CDVL) hosts freely available video test sequences for model development.

In theory, a model can be trained on a set of data in such a way that it produces perfectly matching scores on that dataset. However, such a model will be over-trained and will therefore not perform well on new datasets. It is therefore advised to validate models against new data and use the resulting performance as a real indicator of the model’s prediction accuracy.

To measure the performance of a model, some frequently used metrics are the linear correlation coefficient, Spearman’s rank correlation coefficient, and the root mean square error (RMSE). Other metrics are the kappa coefficient and the outliers ratio. ITU-T Rec. P.1401 gives an overview of statistical procedures to evaluate and compare objective models.

Uses and application of objective models[edit]

Objective video quality models can be used in various application areas. In video codec development, the performance of a codec is often evaluated in terms of PSNR or SSIM. For service providers, objective models can be used for monitoring a system. For example, an IPTV provider may choose to monitor their service quality by means of objective models, rather than asking users for their opinion, or waiting for customer complaints about bad video quality. Few of these standards have found commercial applications, including PEVQ and VQuad-HD. SSIM is also part of a commercially available video quality toolset (SSIMWAVE). VMAF is used by Netflix to tune their encoding and streaming algorithms, and to quality-control all streamed content.^[16][17] It is also being used by other technology companies like Bitmovin^[18] and has been integrated into software such as FFmpeg.

An objective model should only be used in the context that it was developed for. For example, a model that was developed using a particular video codec is not guaranteed to be accurate for another video codec. Similarly, a model trained on tests performed on a large TV screen should not be used for evaluating the quality of a video watched on a mobile phone.

Other approaches[edit]

When estimating quality of a video codec, all the mentioned objective methods may require repeating post-encoding tests in order to determine the encoding parameters that satisfy a required level of visual quality, making them time consuming, complex and impractical for implementation in real commercial applications. There is ongoing research into developing novel objective evaluation methods which enable prediction of the perceived quality level of the encoded video before the actual encoding is performed.^[19]

Video quality artifacts[edit]

All the visual artifacts are still valuable for video quality. Unique not mentioned attributes include

Spatial

• Blurring — a result of loss of high spatial frequency image detail, usually at sharp edges.
• Blocking — is caused by multiple algorithms because of the internal representation of an image with blocks size 8, 16, or 32. With specific parameters, they can average pixels inside a block making blocks distinct
• Ringing, echoing or ghosting — takes the form of a “halo,” band, or “ghost” near sharp edges.
• Color bleeding — occurs when the edges of one colour in the image unintentionally bleeds or overlaps into another colour
• Staircase noise — is a special case of blocking along a diagonal or curved edge. Rather than rendering as smooth, it takes on the appearance of stair steps

Temporal

• Flickering — is usually frequent brightness or colour changes along the time dimension. It is often broken out as fine-grain flickering and coarse-grain flickering.
• Mosquito noise — a variant of flickering, it’s typified as haziness and/or shimmering around high-frequency content (sharp transitions between foreground entities and the background or hard edges).
• Floating — refers to illusory motion in certain regions while the surrounding areas remain static. Visually, these regions appear as if they were floating on top of the surrounding background
• Jerkiness or judder — is the perceived uneven or wobbly motion due to frame sampling. It’s often caused by the conversion of 24 fps movies to a 30 or 60 fps video format.

The majority of them can be grouped into compression artifacts

Subjective video quality[edit]

Main article: Subjective video quality

The main goal of many-objective video quality metrics is to automatically estimate the average user’s (viewer’s) opinion on the quality of a video processed by a system. Procedures for subjective video quality measurements are described in ITU-R recommendation BT.500 and ITU-T recommendation P.910. In such tests, video sequences are shown to a group of viewers. The viewers’ opinion is recorded and averaged into the mean opinion score to evaluate the quality of each video sequence. However, the testing procedure may vary depending on what kind of system is tested.

Tools for video quality assessment[edit]

Tool	Аvailability	Included metrics
FFmpeg	Free	PSNR, SSIM, VMAF
MSU VQMT	Free for basic metrics Paid for HDR metrics	PSNR, SSIM, MS-SSIM, 3SSIM, VMAF, NIQE, VQM, Delta, MSAD, MSE MSU developed metrics: Blurring Metric, Blocking Metric, Brightness Flicking Metric, Drop Frame Metric, Noise Estimation Metric
EPFL VQMT	Free	PSNR, PSNR-HVS, PSNR-HVS-M, SSIM, MS-SSIM, VIFp
OpenVQ	Free	PSNR, SSIM, OPVQ — The Open Perceptual Video Quality metric
Elecard	Demo version available	PSNR, APSNR, MSAD, MSE, SSIM, Delta, VQM, NQI, VMAF и VMAF phone, VIF
AviSynth	Free	SSIM
VQ Probe	Free	PSNR, SSIM, VMAF
Vmaf. dev	Free	VMAF

• FFmpeg — FFmpeg is the leading multimedia framework, able to decode, encode, transcode, mux, demux, stream, filter and play pretty much anything that humans and machines have created. It supports the most obscure ancient formats up to the cutting edge. No matter if they were designed by some standards committee, the community or a corporation. It is also highly portable: FFmpeg compiles, runs, and passes our testing infrastructure FATE across Linux, Mac OS X, Microsoft Windows, the BSDs, Solaris, etc. under a wide variety of build environments, machine architectures, and configurations.
• MSU VQMT — MSU Video Quality Measurement Tool (VQMT) is a program for objective video quality assessment. It provides functionality for both full-reference (two videos are examined) and single-reference (one video is analyzed) comparisons.
• EPFL VQMT — This software provides fast implementations of the following objective metrics: PSNR, SSIM, MS-SSIM, VIFp, PSNR-HVS, PSNR-HVS-M. In this software, the above metrics are implemented in OpenCV (C++) based on the original Matlab implementations provided by their developers.
• OpenVQ — OpenVQ is a video quality assessment toolkit. The goal of this project is to provide anyone interested in video quality assessment with a toolkit that a) provides ready-to-use video quality metric implementations, and b) makes it easy to implement other video quality metrics.
• Elecard — Video Quality measurement tool designed to compare the quality of encoded streams based on objective metrics, such as PSNR, APSNR, SSIM, DELTA, MSE, MSAD, VQM, NQI, VMAF and VMAF phone, VIF.
• AviSynth — AviSynth is a powerful tool for video post-production. It provides ways of editing and processing videos. AviSynth works as a frameserver, providing instant editing without the need for temporary files. AviSynth itself does not provide a graphical user interface (GUI) but instead relies on a script system that allows advanced non-linear editing.
• VQ Probe — VQ Probe is a professional visual instrument for objective and subjective video quality comparison. The tool allows users to compare different codec standards, build RD curves and calculate BD rates.
• Vmaf.dev — Vmaf.dev is a tool for video quality analysis that runs on web browsers. The tool works with most video container formats and provides per-frame VMAF score visualization.

QoE prediction for video quality[edit]

QoE prediction in videos is a great challenge because of the multiple situations that may arise and the subjective character of QoE. For this reason, to predict the QoE in the most precise way, we have to make use of a good classifier that can detect the most types of errors or unexpected situations that affect video quality. Some studies have demonstrated that a Gaussian Process Classifier give good results for this type of classification.^[20]

See also[edit]

• Glossary of video terms
• MDI
• Mean opinion score
• MOVIE Index
• PSNR
• SSIM
• Subjective video quality
• Video codecs
• VMAF
• Visual Information Fidelity

References[edit]

1. ^ «Objective video quality assessment methods for Video assistant refereeing (VAR) System» (PDF). López, Manuel (2018). «Deep Learning Model for Multimedia Quality of Experience Prediction Based on Network Flow Packets». IEEE. 56 (9): 110–117. doi:10.1109/MCOM.2018.1701156. hdl:10251/187698. S2CID 52286800.

Further reading[edit]

• Interpretation of objective video quality metrics
• ITU-R recommendations on subjective video quality
• ITU-T recommendations on objective and subjective video quality

Имеет ли значение качество видео? | SproutVideo

Вопрос о том, должно ли видео быть в высоком разрешении (HD), редко ставится под сомнение на этапе производства. Фактически, в SproutVideo едва ли есть обстоятельства, при которых мы рекомендовали бы использовать видеокамеру стандартной четкости (SD). Это почти универсальная истина, что видео имеет , чтобы быть HD.

Как и в случае с любой почти универсальной истиной, абсолютно стоит спросить, почему. В этом посте мы попытаемся определить, насколько качество видео действительно важно для зрителей.

Читайте дальше, чтобы узнать, повлияет ли качество ваших видео на удержание и вовлеченность зрителей, и что вы можете с этим поделать.

В чем разница между SD и HD?

Видео высокой четкости чаще всего определяется как минимальное разрешение экрана 720 строк по вертикали с прогрессивной (p) или чересстрочной (i) разверткой и частотой 50–60 кадров или полей в секунду (Гц). В США современный дисплей UHDTV имеет разрешение 4K с частотой 60–120 Гц. Чересстрочное видео встречается несколько реже, потому что оно не выглядит таким четким, как прогрессивная развертка движущихся объектов.

Когда вы загружаете свои видео на провайдера онлайн-видеохостинга, такого как SproutVideo, на этапе кодирования и обработки создается несколько разных версий вашего видео. Это позволяет воспроизводить видео на различных типах устройств, разрешениях экрана и скорости подключения к Интернету. После кодирования ваши видео будут плавно воспроизводиться в более широком диапазоне обстоятельств, чем это было бы возможно в противном случае.

За последние несколько лет производительность неуклонно улучшалась с точки зрения качества видео и буферизации. Процент просмотров в Интернете, которые были охарактеризованы как «низкое разрешение», снизился с 63% до 43,3% с 2012 по 2013 год. Процент просмотров, на которые повлияла буферизация, также снизился примерно на 31% за тот же период времени. Усовершенствования в сетях доставки видеоконтента (CDN) и кодировании видео являются важными факторами в повышении качества обслуживания зрителей.

Заботится ли моя аудитория?

Одним словом, да. Однако степень важности качества видео зависит от типа контента и продолжительности видео. Это также зависит от того, буферизуется ли видео или не запускается полностью. Все это ключевые факторы, влияющие на общую вовлеченность аудитории. Они также определяют, будет ли кто-то продолжать смотреть видео до конца.

Терпимость аудитории к проблемам просмотра снижается. Еще в 2011 году на каждый 1% увеличения буферизации видео зритель в среднем смотрел данное видео на 3 минуты меньше. В 2013 году время просмотра сократилось почти в четыре раза до 11 минут на каждый 1% увеличения буферизации.

Влияние качества на разрешение изображения сильно различается. Обычно это зависит от того, является ли рассматриваемое видео длинной или короткой формой.

Длинные видео, такие как фильмы, являются предметом самых высоких ожиданий потребителей в отношении бесперебойной доставки HD любого типа контента. Зрители более терпимы к более низкому качеству изображения в прямом эфире, таком как спорт и новости.

Что касается коротких видео, зрители также предрасположены проводить больше времени за просмотром HD-видео без буферизации. Время просмотра удваивается для HD-видео, когда речь идет о развлечениях или спортивных состязаниях.

Необходимые действия

Как лучше всего использовать эти данные? Создание видео, которые с большей вероятностью будут воспроизводиться плавно в максимально возможном качестве. Звучит достаточно просто, верно?

Хорошей новостью является то, что большинство программ для редактирования видео делают это относительно легко. Выберите настройки вывода самого высокого качества и экспортируйте видео в формате MP4. Это может занять немного больше времени, чем настройки по умолчанию для экспорта, но более высокое качество видео того стоит.

Ознакомьтесь с нашими рекомендациями по сжатию видео, чтобы убедиться, что вы экспортируете видео в максимально возможном качестве для загрузки на нашу платформу. Также помните, что HD-видео начинается с источника. Вы не можете повысить качество с SD до HD. Используйте лучшую камеру и аудиооборудование во время съемок, какое только возможно.

---

Вы используете только HD-видео? Вы сильно отдали предпочтение HD-качеству или, с другой стороны, заметили, что ваша терпимость к нему снизилась? Мы хотели бы услышать о вашем опыте в комментариях ниже или на Facebook и Twitter!

Битрейт видео и разрешение для потокового видео

Битрейт и разрешение — какой из них, по вашему мнению, более важен для потокового видео? Это вопрос, о котором большинство потоковых сервисов должны думать при построении своей лестницы битрейта, и это часто сбивает людей с толку. В этой статье мы покажем, как битрейт и разрешение оказывают огромное влияние на QoE и QoS вашего сервиса потокового видео, почему важно знать разницу между ними и как они взаимодействуют друг с другом.

Когда-то мы писали о сжатии видео с помощью HandBrake, где вам нужно выбрать, какую комбинацию битрейта и разрешения вы будете использовать для сжатия видео. Взгляните на все возможности, которые предоставляет HandBrake — это ошеломляет!

Комбинации битрейта и разрешения в Handbrake

Что бы вы сделали?

• выбрать 1080p или 720p?
• выбрать 5 Мбит/с или 3 Мбит/с?
• выбрать 1080p при 5 Мбит/с или 1080p при 7 Мбит/с?

Запутались, какую комбинацию выбрать? Вот почему эта статья была написана — чтобы демистифицировать взаимосвязь между битрейтом и разрешением и помочь вам сделать правильный выбор настроек кодирования.

Давайте начнем с понимания того, что такое битрейт.

Содержание

Битрейт видео или (битрейт) — это количество битов, используемых для представления одной секунды видео. Единицами битрейта обычно являются кбит/с (или килобиты в секунду) или Мбит/с (или мегабиты в секунду).

С другой стороны, битрейт определяет, сколько данных передается пользователю или видеоплееру. Если ваше видео имеет битрейт 3 мбит/с, то, можно предположить, что каждую секунду на плеер будет передаваться 3 мегабита видео.

Более высокий битрейт обычно приводит к лучшему качеству видео, но также требует большей полосы пропускания для передачи или большего объема памяти для сохранения видеофайла. И наоборот, видео с низким битрейтом страдает от плохого качества видео, но требует меньшей пропускной способности CDN или места для хранения. Мы обсудим это подробнее в следующих разделах.

Алгоритмы управления битрейтом и скоростью передачи

Транскодер использует специальный алгоритм, называемый «алгоритмом управления скоростью», чтобы решить, как битрейт (или скорость передачи) распределяется между кадрами видео. Если ваше видео имеет частоту кадров 60 кадров в секунду и битрейт 3 Мбит/с, то алгоритм управления скоростью в транскодере решает, как распределить 3 мегабита между 60 кадрами видео.

Популярные алгоритмы управления скоростью –

1. CBR или постоянный битрейт : битрейт поддерживается постоянным, но качество видео снижается
2. VBR или переменный битрейт : качество видео поддерживается постоянным, а битрейт может колебаться
3. 04 0 VBR или ограниченный переменный битрейт : качество видео поддерживается постоянным, при этом битрейт может колебаться в пределах ограничения или ограничения.

Подробное обсуждение этих методов контроля скорости можно найти здесь, здесь и здесь (с использованием FFmpeg) на OTVerse. Если вы новичок в транскодировании видео, прочитайте эту статью, чтобы понять основы транскодирования видео.

Если вы хотите узнать больше о видеокодеках, вот список статей о транскодировании на OTVerse.

• Объяснение блочных преобразований в VVC (универсальное кодирование видео)
• Что такое Essential Video Coding (EVC) MPEG-5 Part-1?
• Дискретное косинусное преобразование при сжатии видео — объясните, как будто я 5
• VVC, EVC, LCEVC — новые видеокодеки MPEG

Как битрейт влияет на качество видео?

Чтобы понять, как битрейт влияет на качество видео, важно понять, как работает сжатие или транскодирование видео. Программное обеспечение для перекодирования или сжатия видео делает две важные вещи —

• Он преобразует видео из «пиксельной области» в «частотную область» с помощью дискретного косинусного преобразования или DCT. Если вы не знаете, как работает DCT, посмотрите наше объяснение для 5-летнего ребенка.
• Он отбрасывает многие частоты, используя процесс, называемый «Квантование», таким образом, что человеческий глаз не может воспринять эту потерю информации.

Итак, когда вы сжимаете видео, вы теряете некоторую информацию за счет визуального качества.

• При сильном сжатии видео теряется много информации, а качество изображения снижается.
• Если слегка сжать, то размер файла большой, но качество видео отличное.

Это называется компромиссом между скоростью и искажением при сжатии видео.

Что означает «компромисс между скоростью и искажением»?

Давайте посмотрим на примере. Мы взяли образец видео (CrowdRun) и сжали его с помощью FFmpeg 9.0064 при скорости 1,5 Мбит/с и 5 Мбит/с. Из скриншотов видео ниже, можете ли вы сказать мне, что взято из видео с более высоким битрейтом и видео с более низким битрейтом?

Помните, что оба имеют разрешение 1080p.

1,5 мбит/с 5 мбит/с

Очевидно, что верхнее изображение — это меньший битрейт, а второе изображение — более высокий битрейт. Когда мы используем битрейт 5 Мбит/с при 1080p, качество видео отличное, а для того же видео, когда мы используем битрейт 1,5 Мбит/с, качество видео CrowdRun довольно плохое.

Но всегда ли низкий битрейт приводит к плохому качеству видео? Давайте проведем быстрый эксперимент, чтобы ответить на этот вопрос !

Для следующего эксперимента мы возьмем популярный Simpsons Trailer (1080p) и сожмем его со скоростью 2,5 Мбит/с и 1 Мбит/с, используя H.264/AVC (при условии, что все конфигурации кодировщика останутся прежними). Давайте посмотрим на результат для обоих битрейтов.

1 mbps2.5mbps

Мы ясно видим, что изображения очень похожи друг на друга. Это связано с тем, что в мультяшном видео очень мало движения, а плоские поверхности легко сжимаются. Это позволяет кодерам очень эффективно сжимать мультфильмы и обеспечивать отличное качество при низком битрейте.

Поэтому важно знать свое видео, прежде чем сжимать его.

Примечание : ознакомьтесь с нашим подробным руководством по сжатию видео, чтобы узнать больше о сжатии видео.

Подводя итог, когда мы говорим о битрейте, есть несколько моментов, о которых нужно знать –

1. Видео с более высоким битрейтом *обычно* имеет более высокое качество, чем видео более низкого качества. Помните, что качество видео не улучшится после определенного момента (каким бы высоким ни был битрейт).
2. Это «биты», а не «байты».
3. Битрейт *сам по себе* не определяет качество видео. Существуют и другие важные факторы, такие как видеокодек, разрешение, частота кадров, размер экрана и т. д.
4. Видеокодек, используемый для сжатия видео (H.264/AVC, HEVC, VP9, ​​AV1), сильно влияет на качество вывода. .

Теперь, когда мы поняли, что означает битрейт, давайте перейдем к пониманию того, что означает «разрешение видео».

Что такое разрешение или разрешение видео?

Разрешение видео или разрешение видео равно ширине и высоте видео . Единицей измерения разрешения видео являются пиксели.

Разрешение видео обычно указывается двумя способами —

1. с использованием высоты видео, например 1080p или 720p.
2. или, указав значения ширины и высоты – 1920х1080, или 1280х720.

В таблице ниже мы перечисляем некоторые из наиболее популярных разрешений видео в OTT Video Streaming.

Resolution	Width	Height
1080p	1920 pixels	1080 pixels
720p	1280 pixels	720 pixels
480p	854 пикселя	480 пикселов
360p	480 пикселов	360 пикселов

Популярные разрешения потокового видео, используемые в потоковом видео OTT0065

Разрешение видео очень важно, потому что оно влияет на то, что видит пользователь. Большинство видеоплееров подстраиваются под окно просмотра или разрешение экрана устройства.

Если у вашего пользователя есть 48-дюймовый телевизор, и вы отправляете ему видео в формате 360p, то видеоплеер его телевизора масштабирует видео так, чтобы оно соответствовало окну дисплея телевизора. И если вы увеличите 360p до 1080p, качество будет не очень хорошим.

С другой стороны, если у вашего пользователя есть смартфон и вы отправляете ему UHD-видео, то вряд ли он оценит качество видео, потому что его телефон не может показывать UHD-видео. Приложение изменит разрешение в соответствии с экраном устройства. Разрешение играет огромную роль наряду с битрейтом в создании плавного просмотра, как мы увидим далее.

Во-вторых, когда разрешение видео небольшое (например, 480p), если вы предоставляете кодировщику большой бюджет битрейта (возможно, 5 Мбит/с), используйте хороший видеокодек (например, HEVC или AVC) и выбирайте наиболее сложные настройки энкодер справится, тогда и качество будет отличное.

Вы видели, что мы только что сделали?

Мы не говорили «используйте высокий битрейт» или «используйте более высокое разрешение»! Мы упомянули множество факторов и сказали, что все они вместе помогут вам получить видео высокого качества!

И это возвращает нас к нашему первому вопросу — что важнее? Битрейт или разрешение?

Битрейт или разрешение — что важнее?

Я надеюсь, что предыдущие разделы убедили вас в том, что битрейт и разрешение важны для потокового видео (Live или VOD) .

Прежде чем сжимать видео, важно понять несколько вещей:

1. Поймите свою аудиторию и свой контент.
2. Полоса пропускания , к которой имеет доступ ваша аудитория – Высокоскоростные соединения или 2G/3G?
3. Используют ли они стационарное соединение? Или они всегда в движении и используют свои мобильные тарифные планы?
4. Устройства, которые используют ваши конечные пользователи : Они обычно смотрят телевизоры SmartTV с большим экраном или в основном используют портативные смартфоны?
5. Характер контента, который вы транслируете : Это фильмы с высоким уровнем действия, спорт или контент с низким уровнем действия, например новости, или контент, который легко сжимается, например мультфильмы? Знай свой контент.
6. Сколько времени у вас есть на сжатие видео?
   1. Если у вас есть больше времени, вы можете использовать сложные алгоритмы для повышения качества видео.
   2. Если у вас очень мало времени, качество видео немного пострадает.
7. Какой видеокодек следует использовать? Смогут ли устройства вашей целевой аудитории декодировать H.264/AVC, HEVC, AV1 или VP9?

Ответы на эти фундаментальные вопросы помогут вам выбрать битрейт и разрешение.

Теперь давайте рассмотрим несколько практических примеров, где вам нужно выбрать комбинацию битрейт-разрешение.

1. Целевая аудитория смотрит видео только на своих смартфонах : В этом случае вам следует рассмотреть более низкие битрейты и, возможно, один 1080p, и сосредоточиться на создании большего количества комбинаций 720p и битрейтов около 2-3 Мбит/с. Это позволит вашим пользователям перейти на битрейт, который может быть более подходящим для их мобильного образа жизни и возможности плохого соединения для передачи данных.
2. Целевая аудитория живет в городах и смотрит видео только на телевизорах SmartTV или Roku : В этой ситуации вы можете легко создать два или три варианта 1080p, например 1080p 8 Мбит/с, 1080p 6 кадров в бит/с, 1080p 4 Мбит/с, и сохранить свою лестницу битрейта загруженной. на более тяжелой стороне, потому что вы почти уверены, что у ваших пользователей есть доступ к высокоскоростному Интернету, а 1080p будет хорошо смотреться на больших телевизорах.
3. Потоковое вещание новостей и ток-шоу, 24×7 : В этом случае кодировщику легко очень эффективно сжать ваши видео, так что вы можете выбрать 1080p и 3-4 Мбит/с и получить действительно высокое качество . Чтобы узнать, как оценить качество видео, ознакомьтесь с нашим руководством по вычислению VMAF, PSNR и SSIM на OTVerse.com.

Таким образом, первое, что вам нужно сделать, это получить глубокое представление о вашей целевой аудитории и их привычках потокового вещания. Вы можете легко выбрать различные битрейты и разрешения, которые вам нужно использовать для сжатия видео, проанализировав эту информацию.